我国的经济建设与工业化发展极大的推动了城市化的进程,同时对城市的管理能力提出更高的要求。城市版图的扩张、常住人口的增长带来更多的机动车数量,因此引发的交通拥堵、环境污染等问题是城市交通系统面临的严峻挑战。居民的出行信息决定了城市交通的需求。对居民的出行行为信息进行归纳分析,研究居民出行的特征与规律,可以为城市规划、道路布局、交通法规制定等城市交通系统的重要应用提供决策支持。传统的居民出行行为信息获取途径主要是基于人工采集的方法,数据质量无法得到保证。近年来随着GPS设备的完善普及,产生的大规模GPS数据为出行行为信息的获取提供了新的解决方案。当前,一些研究依靠获取GPS以外的数据进行辅助识别,如加速度计和陀螺仪传感器数据或GIS信息数据。但这些数据并不能保证在每个应用场景下都有获取的途径;同时,一些研究通过标签文件先找到出行方式变化点,然后把轨迹分为若干单出行方式段。这是对出行方式识别问题的变相简化。本文基于原始的GPS数据,提出固定长度阈值的轨迹分段方法,构造包含全局特征和点特征的72维的特征向量,设计了基于集成学习的出行方式识别模型。本文的研究内容包括:(1)GPS轨迹数据的特征提取:本文采取更符合实际场景的基于固定长度规则的轨迹分段方式。最终的分类类别除了常规的出行方式(步行、骑车、公交车、汽车、地铁和火车),还包括某段轨迹包含多种出行方式的情况,即混合模式,从而更准确地确定用户何时何地改变其出行行为;采用统计分析的方法优化选择了包括轨迹段全局特征和轨迹中点的特征的出行模式特征集合,并给出了对应特征值的计算方法,为后续的出行模式识别提供基础;(2)探讨了以深度森林为代表的集成学习模型在出行方式识别任务上的分类能力。研究了针对出行模式识别任务的深度森林模型优化方法,集成了四种个体分类器:包括随机森林,完全随机森林、支持向量机和XGBoost,以提升最终集成学习模型的泛化能力与鲁棒性。实验结果验证了本文方法的有效性,改进后的深度森林取得了较好的效果,准确率达到88.6%,优于随机森林、XGBoost和卷积神经网络模型。